PERANCANGAN APLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN
WONOGIRI
Herliyani Hasanah1*, Nurmalitasari1
1
Program Studi Teknik Informatika, STMIK Duta Bangsa Surakarta Jl. Bhayangkara 55, Surakarta 57154
*
Email: herlydb@gmail.com
Abstrak
Tujuan dari penelitian ini adalah membuat perancangan aplikasi sistem cerdas untuk prediksi energi listrik pemakaian sendiri di PLTA Kabupaten Wonogiri dan melakukan perbandingan hasil prediksi sistem cerdas dan hasil produksi energi listrik aktual untuk pemakaian sendiri PLTA berdasarkan tahun dasar yang akan digunakan. Sistem cerdas yang digunakan pada penelitian ini adalah Neuro Fuzzy model Sugeno orde satu. Pada kegiatan penelitian ini akan dibagi menjadi empat tahap pelaksanaan, yaitu inception (permulaan), elaboration (perluasan), construction (konstruksi pembuatan aplikasi), dan transition (transisi). Data yang digunakan dalam penelitian ini adalah data harian Operasi Waduk Gajah Mungkur dan data harian Produksi Listrik PLTA Wonogiri tahun 2010 sampai 2014. Penelitian ini untuk penentuan parameter dengan menggunakan Anfisedit yaitu Toolbox GUI anfis. Bentuk fungsi keanggotaan yang akan digunakan untuk proses pembelajaran adalah membership funcion trimpf (segitiga) dan trapezoidal (trapezium). Hasil dari penelitian ini prediksi menggunakan Neuro Fuzzy dengan dengan fungsi keanggotaan trimpf (segitiga) dan besar epoch 100 memiliki performa prediksi yang paling baik dan konvergen. Dengan besar Correlation Coefficient (R) adalah 0.996 yang berarti korelasi sangat kuat.
Kata kunci: energi listrik, prediksi, neuro fuzzy, sistem cerdas
1. PENDAHULUAN
Air adalah salah satu sumber energi listrik yang memiliki potensi besar di Indonesia. Melihat keterbatasan tersedianya air untuk mencukupi berbagai kebutuhan hidup dan untuk kebutuhan pembangkit listrik, maka perlu manajemen pemanfaatan air dengan sebaik-baiknya, terutama pada waktu musim kemarau. Salah satu cara untuk mengoptimalkan potensi air yang ada, maka dibangunlah waduk.
Waduk Gajah Mungkur berada di Kecamatan Wonogiri. Waduk Gajah Mungkur digunakan sebagai penanggulangan banjir, penyediaan air irigasi, daerah pariwisata dan sebagai pembangkit tenaga listrik. Kapasitas yang terpasang di PLTA Wonogiri adalah 2 x 6,2 MW yang terdiri dari 2 unit mesin pembangkit yang dapat menghasilkan tegangan listrik sebesar 15500 KVA dan mampu menghasilkan daya listrik 40 juta kwh/ tahun.
Pusat-pusat listrik selalu dilengkapi dengan sistem kelistrikan untuk pemakaian sendiri. Sistem kelistrikan untuk pemakaian sendiri tersebut berfungsi untuk menyuplai tenaga listrik yang diperlukan untuk pemakaian (di dalam pusat listrik) sendiri, baik dalam kondisi pusat listrik beroperasi maupun tidak beroperasi. Tenaga listrik yang dihasilkan tersebut digunakan untuk keperluan menjalankan peralatan antara lain untuk penerangan, peralatan Air Conditioner (AC), peralatan bantu unit pembangkit yang berupa motor-motor listrik untuk pompa-pompa, valve, kipas pendingin (fan), conveyor, sistem kontrol, peralatan pegukuran (instrument), sistem telekomunikasi, pengisian suplai daya sumber arus searah (DC) yang berupa Baterai Aki dan Uninterruptible Power Supply (UPS).
antara peramalan produksi energi listrik PT Indonesia Power dengan data produksi yang dihasilkan PT Indonesia Power.
Sistem cerdas merupakan salah satu terobosan cara untuk mengatasi situasi tersebut. Sistem cerdas dengan metode Neuro Fuzzy yang merupakan hibrida dari metode artificial neural network dan logika fuzzy dalam penelitian ini digunakan untuk memodelkan peramalan deret waktu aliran waduk Gajah Mungkur yang diharapkan akan mampu memberikan solusi positif jangka panjang berupa kontinyuitas ketersediaan energi yang maksimum. Zhu (2000) telah menunjukkan bahwa Neuro Fuzzy merupakan metode permodelan terbaik untuk menganalisis data numerik, karena dalam proses training didasarkan minimalisasi nilai kesalahan atau root mean square error (RMSE) dari output-nya.
2. METODOLOGI
Tahapan – tahapan dalam penelitian ini adalah sebagai berikut :
Gambar 1. Diagram tahapan – tahapan penelitian 2.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data harian Operasi Waduk Gajah Mungkur dan data harian Produksi Listrik PLTA Wonogiri tahun 2010 sampai 2014.
2.2 Variabel Penelitian
Variabel penelitian yang digunakan adalah Data Operasi Waduk Gajah Mungkur dan Data Produksi Listrik PLTA Wonogiri harian, berikut adalah variabel-variabel tersebut:
a. Data Produksi Listrik untuk pemakaian PLTA Wonogiri adalah energi listrik yang dihasilkan PLTA Wonogiri dengan satuan KwH. (Y)
b. Data Operasi Waduk Gajah Mungkur :
1) Elevasi muka air waduk dengan satuan Meter. (X1)
2) Debit air yang masuk ke turbin dengan satuan /detik. (X2)
3. HASIL DAN PEMBAHASAN
3.1.Inception (Permulaan)
Dalam penelitian ini simulasi prediksi energi listrik pemakaian sendiri dengan algoritma neuro – fuzzy, terdiri dari 3 input dan 1 output. Neuro Fuzzy yang akan dipakai dalam simulasi menggunakan bahasa pemrograman MATLAB menggunakan Neuro Fuzzy sugeno orde 1. Dalam bahasa pemrograman MATLAB, Neuro Fuzzy yang akan dibuat adalah untuk sistem inferensi logika kabur model sugeno orde satu dengan jumlah keluaran tunggal.
Sebelum dilakukan penelitian terhadap ANFIS dilakukan penentuan parameter awal. Untuk penentuan parameter dengan menggunakan Anfisedit yaitu Toolbox GUI anfis. Bentuk fungsi keanggotaan yang akan digunakan untuk proses pembelajaran adalah membership funcion trimpf (segitiga)dan trapezoidal (trapesium).
3.2.Elaboration (Perluasan)
Tahap ini lebih difokuskan pada perancangan flowchart dan perancangan antarmuka sistem.
Mulai
Input nilai n, m, Kelas, Toleransi Error, Max Epoch, Laju lapisan ke- 4, Error lapisan ke-3, Error lapisan ke-2, Error lapisan ke-1
Gambar 2. Flowchart Algoritma Neuro Fuzzy pada Sistem
3.3.Construction (Pembuatan Simulasi Aplikasi Cerdas) 3.3.1 Hasil Penelitian
Gambar 4 adalah tampilan ―Anfis Editor : SIMULASI APLIKASI SISTEM CERDAS PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI‖
Gambar 4. Tampilan ANFIS GUI
Berikut akan dijelaskan untuk menjalankan setiap frame pada ANFIS GUI :
Gambar 5 Tampilan ANFIS Info
Gambar 6. Tampilan Layar Structure
Setelah suatu FIS dibangun atau di-load, mengklik tombol ―Structure‖ menampilkan representasi grafis dari struktur input outputnya. Gambar 6adalah tampilan layar Structure.
Setelah data di-load, data ditampilkan ke dalam plot yang terdapat pada layar ANFIS GUI.
Data pelatihan dicetak dengan tanda (○○), data pengetesan dengan tanda (●●), dan data
pengecekan dengan tanda (++) berwarna biru. (Gambar 7).
Gambar 7. Tampilan Layar ANFIS GUI setelah data di-load
Hasil pengujian diplot dan rataan galat dicetak ke dalam layar ANFIS GUI. Output ANFIS dicetak dengan tanda (**) berwarna merah, sedangkan output data berwarna biru dengan tanda seperti sebelumnya (Gambar 8).
Gambar 8. Tampilan Layar Main Menu setelah pengujian FIS
Gambar 9. Tampilan Layar ANFIS GUI – Rule Viewer
Terlihat 109 plot kecil dalam layar. Setiap aturan digambarkan dalam baris plot - plot, dan kolom menunjukkan variabel. Tiga kolom pertama (81 plot kuning) menunjukkan MF-MF yang direferensi anteseden, atau bagian if aturan. Kolom keempat (27 plot biru) menunjukkan MF-MF yang direferensi konsekuen, atau bagian then aturan. Plot di sudut kanan bawah merepresentasikan keputusan terbobot teragregasi. Nilai output defuzifikasi ditunjukkan oleh garis tebal yang melewati agregasi himpunan fuzzy.
Gambar 10 adalah tampilan layar Surface Viewer, untuk melihat keseluruhan permukaan output dari sistem, yaitu keseluruhan span himpunan output berdasarkan keseluruhan span dari himpunan input.
Gambar 10. Tampilan Layar Surface Viewer
3.3.2 Analisis Program
a. Peramalan Hasil Pengujian ANFIS (mf = trimpf, epoch = 100 ) dengan Peramalan PLTA Gambar 11 menunjukkan hasil peramalan ANFIS dengan fungsi keanggotaan segitiga dan nilai epochs 100 untuk produksi energi listrik tahun 2014
Gambar 11. Perbandingan Hasil Prediksi Energi Listrik Tahun 2014 dengan mf = trimpf dan epoch = 100
E
n
e
rg
i
Li
str
ik
(K
wH)
Bulan Ke-
Kurva Prediksi Energi Listrik Tahun 2014
(mf =
trimpf
, epoch = 100 )
AKTUAL
PLTA
Tabel 1. menunjukkan besarnya energi listrik aktual, prediksi energi listrik dengan ANFIS dan prediksi energi listrik oleh PLTA. Selain itu, ditunjukkan pula besar error prediksi dan perhitungan statistik untuk mengetahui kekuratan prediksi ANFIS maupun PLTA setiap bulan.
Tabel 1. Perbandingan Hasil Prediksi Energi Listrik dengan mf = trimpf dan epoch = 100
Bulan
Energi Listrik (KwH) Error Prediksi (%)
Energi listrik
Februari 8190900 7701400 4704000 5.98 38.84
Maret 6512600 6060400 5040000 6.94 17.55
September 1986790 2162700 4704000 8.85 116.10
Oktober 1243000 1244200 840000 0.10 32.42
November 1231200 1244300 840000 1.06 31.77
Desember 3090800 3180900 4872000 2.92 57.63
Correlation Coefficient (R) 0.996 0.45
Mean Absolute Deviation (MAD) 177409.167 2020134.17
Mean Squared Error (MSE) 5.8274E+10 5.2213E+12
Mean Percentage Error (MPE) 0.038 0.55
Error minimum 0.02 17.55
Error maksimum 8.85 116.10
Dari tabel 1 dapat diketahui besar Correlation Coefficient (R) ANFIS adalah 0.996 yang berarti korelasi sangat kuat, sedangkan prediksi PLTA 0.45 yang berarti korelasi cukup. Untuk besar Mean Absolute Deviation (MAD) ANFIS 177409.167 lebih kecil daripada PLTA 2020134.17. Besar Mean Squared Error (MSE) ANFIS 5.8274E+10 lebih kecil daripada PLTA 5.2213E+12. Besar Mean Percentage Error (MPE) ANFIS 0.038 lebih kecil daripada PLTA 0.55. Error minimum ANFIS yaitu sebesar 0.02% dicapai pada bulan Juli sedangkan error maksimum yaitu sebesar 8.85 % dicapai pada bulan September. Pada prediksi PLTA, error minimum yaitu sebesar 17.75% dicapai pada bulan Maret sedangkan error maksimum yaitu sebesar 116.10 % dicapai pada bulan September.
b. Peramalan Hasil Pengujian ANFIS (mf = trapezoidal, epoch = 100 ) dengan Peramalan PLTA Gambar 12 menunjukkan hasil peramalan ANFIS dengan fungsi keanggotaan trapesium dan nilai epochs 100 untuk produksi energi listrik tahun 2014.
Gambar 12. Perbandingan Hasil Prediksi Energi Listrik Tahun 2014 dengan (mf =
Tabel 2 menunjukkan besarnya energi listrik aktual, prediksi energi listrik dengan ANFIS dan prediksi energi listrik oleh PLTA. Selain itu, ditunjukkan pula besar error prediksi dan perhitungan statistik untuk mengetahui kekuratan prediksi ANFIS maupun PLTA setiap bulan.
Tabel 2. Perbandingan Hasil Prediksi Energi Listrik dengan mf = trapezoidal, epoch = 100
Bulan
Energi Listrik (KwH) Error Prediksi (%)
Energi listrik
Januari 7566900 4706000 5040000 37.81 35.11
Februari 8190900 1360000 4704000 83.40 38.84
Maret 6512600 7053000 5040000 8.30 17.55
September 1986790 10199000 4704000 413.34 116.10
Oktober 1243000 1504000 840000 21.00 32.42
November 1231200 1504000 840000 22.16 31.77
Desember 3090800 926000 4872000 70.04 57.63
Correlation Coefficient (R) 0.046 0.45
Mean Absolute Deviation (MAD) 2242200.83 2020134.17
Mean Squared Error (MSE) 1.1846E+13 5.2213E+12
Mean Percentage Error (MPE) 0.67 0.55
Error minimum 1.35 17.55
Error maksimum 413.34 116.10
Dari tabel 2 dapat diketahui besar Correlation Coefficient (R) ANFIS adalah 0.046 yang berarti korelasi sangat lemah, sedangkan prediksi PLTA 0.45 yang berarti korelasi cukup. Untuk besar Mean Absolute Deviation (MAD) ANFIS 2242200.83 lebih besar daripada PLTA 2020134.17. Besar Mean Squared Error (MSE) ANFIS 1.1846E+13 lebih besar daripada PLTA 5.2213E+12. Besar Mean Percentage Error (MPE) ANFIS 0.67 lebih besar daripada PLTA 0.55. Error minimum ANFIS yaitu sebesar 1.35 % dicapai pada bulan April sedangkan error maksimum yaitu sebesar 413.34 % dicapai pada bulan September. Pada prediksi PLTA, error minimum yaitu sebesar 17.75% dicapai pada bulan Maret sedangkan error maksimum yaitu sebesar 116.10 % dicapai pada bulan September.
3.4.Transition (Transisi)
Tahap ini lebih pada deployment atau instalasi agar dapat dimengerti oleh user dan aktifitas yang dilakukan
4. KESIMPULAN
Beberapa kesimpulan yang dapat ditarik berdasarkan hasil dan pembahasan penelitian ini adalah sebagai berikut:
(3) Prediksi menggunakan Neuro Fuzzy dengan
dengan fungsi keanggotaan
trimpf
(segitiga)
dan besar epoch 100 memiliki performa prediksi yang paling baik dan
konvergen. Dengan besar
Correlation Coefficient
(R) adalah 0.996 yang berarti
korelasi sangat kuat.
minimum yaitu sebesar 0.02% dicapai pada bulan Juli sedangkan
error
maksimum
yaitu sebesar 8.85 % dicapai pada bulan September.
(5)
Hasil prediksi energi listrik pemakaian sendiri dengan
Neuro Fuzzy
memiliki
performansi yang lebih baik dibanding hasil prediksi PLTA dengan
Mean
Percentage Error
(MPE) untuk prediksi
Neuro Fuzzy
0.26 dan prediksi PLTA 0.55.
DAFTAR PUSTAKA
Fariza, A., Hellen, A. dan Rasyid, A. (2007). Performansi Neuro Fuzzy Untuk Peramalan Data Time Series. Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta.
Jang, J.-S. R. (1993). ANFIS: Adaptive-networkbased fuzzy inference systems, IEEE Trans. on Systems, Man and Cybernetics. 23(03):665-685
__________ (1997). Neuro-Fuzzy and Soft Computing. NewJersey Prentice-Hall.
Rosyadi, Imron.Peramalan Aliran Masukan Waduk Mrica Menggunakan Model Thomas-Fiering dan Jaringan Syaraf Tiruan ANFIS. Dinamika Rekayasa Vol. 7 No. 2 Agustus 2011 ISSN 1858-3075
Sutojo, Edy Mulyanto, Vincent Suhartono.(2011). Kecerdasan Buatan. ANDI Yogyakarta.
Triantisto dan Supardjan. (2007). Notulensi Presentasi PT Indopower UBP Mrica di Lab. Hidraulika Teknik Sipil UGM.
